DE102023110315A1 - SIMULATION OF A HIGH-RESOLUTION RADAR FOR TRAINING A NEURONAL NETWORK OF A VEHICLE RADAR SYSTEM - Google Patents
SIMULATION OF A HIGH-RESOLUTION RADAR FOR TRAINING A NEURONAL NETWORK OF A VEHICLE RADAR SYSTEM Download PDFInfo
- Publication number
- DE102023110315A1 DE102023110315A1 DE102023110315.6A DE102023110315A DE102023110315A1 DE 102023110315 A1 DE102023110315 A1 DE 102023110315A1 DE 102023110315 A DE102023110315 A DE 102023110315A DE 102023110315 A1 DE102023110315 A1 DE 102023110315A1
- Authority
- DE
- Germany
- Prior art keywords
- radar system
- neural network
- resolution
- hypotheses
- obtaining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 37
- 230000001537 neural effect Effects 0.000 title claims description 3
- 238000004088 simulation Methods 0.000 title description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 90
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 36
- 238000013459 approach Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/588—Velocity or trajectory determination systems; Sense-of-movement determination systems deriving the velocity value from the range measurement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/505—Systems of measurement based on relative movement of target using Doppler effect for determining closest range to a target or corresponding time, e.g. miss-distance indicator
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/583—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
- G01S13/584—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets adapted for simultaneous range and velocity measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
- G01S7/4082—Means for monitoring or calibrating by simulation of echoes using externally generated reference signals, e.g. via remote reflector or transponder
- G01S7/4095—Means for monitoring or calibrating by simulation of echoes using externally generated reference signals, e.g. via remote reflector or transponder the external reference signals being modulated, e.g. rotating a dihedral reflector or modulating a transponder for simulation of a Doppler echo
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
Ein System enthält einen Sender eines Radarsystems zum Senden von Sendesignalen und einen Empfänger des Radarsystems zum Empfangen von Empfangssignalen auf der Grundlage der Reflexion eines oder mehrerer der Sendesignale durch ein oder mehrere Objekte. Außerdem enthält das System einen Prozessor zum Trainieren eines neuronalen Netzes mit Referenzdaten, die durch Simulieren eines höher auflösenden Radarsystems als das Radarsystem erhalten werden, um ein trainiertes neuronales Netz zu erhalten. Das trainierte neuronale Netz verbessert auf der Grundlage des Erhaltens und Verarbeitens der Empfangssignale in einem Fahrzeug die Detektion des einen oder der mehreren Objekte. Auf der Grundlage der Detektion des einen oder der mehreren Objekte werden eine oder mehreren Operationen des Fahrzeugs gesteuert.A system includes a transmitter of a radar system for transmitting transmission signals and a receiver of the radar system for receiving reception signals based on the reflection of one or more of the transmission signals by one or more objects. The system also includes a processor for training a neural network with reference data obtained by simulating a higher resolution radar system than the radar system to obtain a trained neural network. The trained neural network improves the detection of the one or more objects based on obtaining and processing the received signals in a vehicle. Based on the detection of the one or more objects, one or more operations of the vehicle are controlled.
Description
EINLEITUNGINTRODUCTION
Die vorliegende Offenbarung betrifft eine Simulation eines hochauflösenden Radars zum Trainieren eines neuronalen Netzes eines Fahrzeugradarsystems.The present disclosure relates to a simulation of a high-resolution radar for training a neural network of a vehicle radar system.
Fahrzeuge (z. B. Personenkraftwagen, Motorräder, Baugerät, landwirtschaftliches Gerät, automatisierte Fabrikausrüstung) enthalten eine Anzahl von Sensoren, um Informationen bereitzustellen, die zum Steuern von Aspekten ihres Betriebs verwendet werden. Einige Sensoren (z. B. Inertialmesseinheit, Lenkwinkelsensor) stellen Informationen über das Fahrzeug bereit, während andere Sensoren (z. B. Radarsystem, Lidarsystem, Kamera) Informationen über Objekte um das Fahrzeug bereitstellen. Ein Radarsystem gibt für Objekte innerhalb ihres Blickfelds eine Entfernung, einen Winkel und eine Relativgeschwindigkeit an. Dementsprechend ist es erwünscht, eine Simulation eines hochauflösenden Radars zum Trainieren eines neuronalen Netzes eines Fahrzeugradarsystems zu schaffen.Vehicles (e.g., passenger cars, motorcycles, construction equipment, agricultural equipment, automated factory equipment) contain a number of sensors to provide information used to control aspects of their operation. Some sensors (e.g. inertial measurement unit, steering angle sensor) provide information about the vehicle, while other sensors (e.g. radar system, lidar system, camera) provide information about objects around the vehicle. A radar system provides a distance, angle and relative speed for objects within its field of view. Accordingly, it is desirable to provide a simulation of a high-resolution radar for training a neural network of a vehicle radar system.
ZUSAMMENFASSUNGSUMMARY
Gemäß einer beispielhaften Ausführungsform enthält ein System einen Sender eines Radarsystems zum Senden von Sendesignalen und einen Empfänger des Radarsystems zum Empfangen von Empfangssignalen auf der Grundlage der Reflexion eines oder mehrerer der Sendesignale durch ein oder mehrere Objekte. Außerdem enthält das System einen Prozessor zum Trainieren eines neuronalen Netzes mit Referenzdaten, die durch Simulieren eines höher auflösenden Radarsystems als das Radarsystem erhalten werden, um ein trainiertes neuronales Netz zu erhalten. Das trainierte neuronale Netz verbessert auf der Grundlage des Erhaltens und Verarbeitens der Empfangssignale in einem Fahrzeug die Detektion des einen oder der mehreren Objekte. Auf der Grundlage der Detektion des einen oder der mehreren Objekte werden eine oder mehreren Operationen des Fahrzeugs gesteuert.According to an exemplary embodiment, a system includes a transmitter of a radar system for transmitting transmission signals and a receiver of the radar system for receiving reception signals based on the reflection of one or more of the transmission signals by one or more objects. The system also includes a processor for training a neural network with reference data obtained by simulating a higher resolution radar system than the radar system to obtain a trained neural network. The trained neural network improves the detection of the one or more objects based on obtaining and processing the received signals in a vehicle. Based on the detection of the one or more objects, one or more operations of the vehicle are controlled.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale simuliert der Prozessor das höher auflösende Radarsystem, damit es mehr Antennen oder enger beabstandete Antennen, die sich über eine breitere Apertur als das Radarsystem erstrecken, enthält.In addition to one or more of the features described herein, the processor simulates the higher resolution radar system to include more antennas or more closely spaced antennas that extend over a wider aperture than the radar system.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale simuliert der Prozessor das höher auflösende Radarsystem, damit es mehr von den Sendesignalen oder enger beabstandete Sendesignale als das Radarsystem enthält.In addition to one or more of the features described herein, the processor simulates the higher resolution radar system to contain more of the broadcast signals or more closely spaced broadcast signals than the radar system.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale simuliert der Prozessor das höher auflösende Radarsystem, damit es eine höhere Bandbreite als das Radarsystem enthält.In addition to one or more of the features described herein, the processor simulates the higher resolution radar system to include a higher bandwidth than the radar system.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale trainiert der Prozessor das neuronale Netz durch Erhalten simulierter Empfangssignale unter Verwendung von Parametern des Radarsystems an Reflexionspunkten und durch Erhalten simulierter hochauflösender Empfangssignale unter Verwendung hochauflösender Parameter für das hochauflösende Radarsystem.In addition to one or more of the features described herein, the processor trains the neural network by obtaining simulated received signals using parameters of the radar system at reflection points and by obtaining simulated high-resolution received signals using high-resolution parameters for the high-resolution radar system.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale trainiert der Prozessor das neuronale Netz durch Erhalten der Reflexionspunkte von einem Lidarsystem.In addition to one or more of the features described herein, the processor trains the neural network by obtaining reflection points from a lidar system.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale trainiert der Prozessor das neuronale Netz durch Erzeugen der Reflexionspunkte.In addition to one or more of the features described herein, the processor trains the neural network by generating the reflection points.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale trainiert der Prozessor das neuronale Netz durch Verarbeiten der simulierten Empfangssignale, um einen Datenwürfel zu erhalten, der eine Intensität bei einem ersten Satz von Entfernungen, bei einem ersten Satz von Hypothesen der Dopplerfrequenz und bei einem ersten Satz von Winkelhypothesen angibt, und durch Verarbeiten der simulierten hochauflösenden Empfangssignale, um einen hochauflösenden Datenwürfel zu erhalten, der eine Intensität bei einem zweiten Satz von Entfernungen, bei einem zweiten Satz von Hypothesen der Dopplerfrequenz und bei einem zweiten Satz von Winkelhypothesen angibt, wobei eine Anzahl des zweiten Satzes von Entfernungen, des zweiten Satzes von Hypothesen der Dopplerfrequenz und des zweiten Satzes von Winkelhypothesen größer als eine Anzahl des ersten Satzes von Entfernungen, des ersten Satzes von Hypothesen der Dopplerfrequenz und des ersten Satzes von Winkelhypothesen ist.In addition to one or more of the features described herein, the processor trains the neural network by processing the simulated received signals to obtain a data cube having an intensity at a first set of distances, at a first set of Doppler frequency hypotheses, and at a first set of angle hypotheses, and by processing the simulated high-resolution received signals to obtain a high-resolution data cube indicating an intensity at a second set of distances, at a second set of Doppler frequency hypotheses and at a second set of angle hypotheses, wherein a number of second set of distances, the second set of Doppler frequency hypotheses and the second set of angle hypotheses is greater than a number of the first set of distances, the first set of Doppler frequency hypotheses and the first set of angle hypotheses.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale trainiert der Prozessor das neuronale Netz durch Bereitstellen des Datenwürfels für das neuronale Netz und durch Erhalten einer Ausgabe des neuronalen Netzes.In addition to one or more of the features described herein, the processor trains the neural network by providing the data cube to the neural network and receiving an output of the neural network.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale trainiert der Prozessor das neuronale Netz durch Erhalten einer Metrik, die ein Zusammenpassen zwischen der Ausgabe des neuronalen Netzes und dem hochauflösenden Datenwürfel angibt, und durch Aktualisieren von Parametern des neuronalen Netzes auf der Grundlage der Metrik.In addition to one or more of the features described herein, the processor trains the neural network by obtaining a metric indicating a fit between the output of the neural network and the high-resolution data cube, and by updating parameters of the neural network based on the metric.
Gemäß einer anderen beispielhaften Ausführungsform speichert ein nichttransitorisches computerlesbares Medium Anweisungen, die, wenn sie durch einen oder mehrere Prozessoren ausgeführt werden, veranlassen, dass der eine oder die mehreren Prozessoren ein Verfahren implementieren. Das Verfahren enthält das Erhalten von Empfangssignalen, die sich aus der Reflexion eines oder mehrerer Sendesignale, die durch einen Sender eines Radarsystems gesendet werden, durch ein oder mehrere Objekte ergeben, und den Empfang der Empfangssignale durch einen Empfänger des Radarsystems. Außerdem enthält das Verfahren das Trainieren eines neuronalen Netzes mit Referenzdaten, die durch Simulieren eines höher auflösenden Radarsystems als das Radarsystem erhalten werden, um ein trainiertes neuronales Netz zu erhalten. Das trainierte neuronale Netz verbessert auf der Grundlage des Erhaltens und Verarbeitens der Empfangssignale in einem Fahrzeug die Detektion des einen oder der mehreren Objekte. Auf der Grundlage der Detektion des einen oder der mehreren Objekte werden eine oder mehreren Operationen des Fahrzeugs gesteuert.According to another exemplary embodiment, a non-transitory computer-readable medium stores instructions that, when executed by one or more processors, cause the one or more processors to implement a method. The method includes obtaining received signals resulting from the reflection of one or more transmission signals transmitted by a transmitter of a radar system by one or more objects, and receiving the received signals by a receiver of the radar system. Additionally, the method includes training a neural network with reference data obtained by simulating a higher resolution radar system than the radar system to obtain a trained neural network. The trained neural network improves the detection of the one or more objects based on obtaining and processing the received signals in a vehicle. Based on the detection of the one or more objects, one or more operations of the vehicle are controlled.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Verfahren außerdem das Simulieren des höher auflösenden Radarsystems, damit es mehr Antennen oder enger beabstandete Antennen, die sich über eine breitere Apertur als das Radarsystem erstrecken, enthält.In addition to one or more of the features described herein, the method also includes simulating the higher resolution radar system to include more antennas or more closely spaced antennas that extend over a wider aperture than the radar system.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Verfahren außerdem das Simulieren des höher auflösenden Radarsystems, damit es mehr von den Sendesignalen oder enger beabstandete Sendesignale als das Radarsystem enthält.In addition to one or more of the features described herein, the method also includes simulating the higher resolution radar system to contain more of the transmit signals or more closely spaced transmit signals than the radar system.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Verfahren außerdem das Simulieren des höher auflösenden Radarsystems, damit es eine höhere Bandbreite als das Radarsystem enthält.In addition to one or more of the features described herein, the method also includes simulating the higher resolution radar system to include a higher bandwidth than the radar system.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Verfahren außerdem das Trainieren des neuronalen Netzes durch Erhalten simulierter Empfangssignale unter Verwendung von Parametern des Radarsystems an Reflexionspunkten und durch Erhalten simulierter hochauflösender Empfangssignale unter Verwendung hochauflösender Parameter für das hochauflösende Radarsystem.In addition to one or more of the features described herein, the method further includes training the neural network by obtaining simulated received signals using parameters of the radar system at reflection points and by obtaining simulated high-resolution received signals using high-resolution parameters for the high-resolution radar system.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Verfahren außerdem das Trainieren des neuronalen Netzes durch Erhalten der Reflexionspunkte von einem Lidarsystem.In addition to one or more of the features described herein, the method also includes training the neural network by obtaining the reflection points from a lidar system.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Verfahren außerdem das Trainieren des neuronalen Netzes durch Erzeugen der Reflexionspunkte.In addition to one or more of the features described herein, the method also includes training the neural network by generating the reflection points.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Verfahren außerdem das Trainieren des neuronalen Netzes durch Verarbeiten der simulierten Empfangssignale, um einen Datenwürfel zu erhalten, der eine Intensität bei einem ersten Satz von Entfernungen, bei einem ersten Satz von Hypothesen der Dopplerfrequenz und bei einem ersten Satz von Winkelhypothesen angibt, und durch Verarbeiten der simulierten hochauflösenden Empfangssignale, um einen hochauflösenden Datenwürfel zu erhalten, der eine Intensität bei einem zweiten Satz von Entfernungen, bei einem zweiten Satz von Hypothesen der Dopplerfrequenz und bei einem zweiten Satz von Winkelhypothesen angibt, wobei eine Anzahl des zweiten Satzes von Entfernungen, des zweiten Satzes von Hypothesen der Dopplerfrequenz und des zweiten Satzes von Winkelhypothesen größer als eine Anzahl des ersten Satzes von Entfernungen, des ersten Satzes von Hypothesen der Dopplerfrequenz und des ersten Satzes von Winkelhypothesen ist.In addition to one or more of the features described herein, the method further includes training the neural network by processing the simulated received signals to obtain a data cube having an intensity at a first set of distances, at a first set of Doppler frequency hypotheses, and at a first set of angle hypotheses, and by processing the simulated high-resolution received signals to obtain a high-resolution data cube indicating an intensity at a second set of distances, at a second set of Doppler frequency hypotheses and at a second set of angle hypotheses, wherein a number of the second set of distances, the second set of Doppler frequency hypotheses and the second set of angle hypotheses is greater than a number of the first set of distances, the first set of Doppler frequency hypotheses and the first set of angle hypotheses.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Verfahren außerdem das Trainieren des neuronalen Netzes durch Bereitstellen des Datenwürfels für das neuronale Netz und durch Erhalten einer Ausgabe des neuronalen Netzes.In addition to one or more of the features described herein, the method further includes training the neural network by providing the data cube to the neural network and obtaining an output of the neural network.
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Verfahren außerdem das Trainieren des neuronalen Netzes durch Erhalten einer Metrik, die ein Zusammenpassen zwischen der Ausgabe des neuronalen Netzes und dem hochauflösenden Datenwürfel angibt, und durch Aktualisieren von Parametern des neuronalen Netzes auf der Grundlage der Metrik.In addition to one or more of the features described herein, the method further includes training the neural network by obtaining a metric indicative of a fit between the output of the neural network and the high-resolution data cube, and updating parameters of the neural network based on the Metric.
Die obigen Merkmale und Vorteile und weitere Merkmale und Vorteile der Offenbarung gehen leicht aus der folgenden ausführlichen Beschreibung, wenn sie zusammen mit den beigefügten Zeichnungen genommen wird, hervor.The above features and advantages and other features and advantages of the disclosure will be readily apparent from the following detailed description when taken together with the accompanying drawings.
KURZBESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF DRAWINGS
Weitere Merkmale, Vorteile und Einzelheiten erscheinen nur beispielhaft in der folgenden ausführlichen Beschreibung, wobei sich die ausführliche Beschreibung auf die Zeichnungen bezieht; es zeigen:
-
1 ein Blockdiagramm eines Fahrzeugs, das ein neuronales Netz eines Radarsystems, das unter Verwendung einer Simulation eines hochauflösenden Radars trainiert wird, gemäß einer oder mehreren Ausführungsformen implementiert; -
2 einen Prozessablauf eines Verfahrens zum Trainieren eines neuronalen Netzes eines Radarsystems unter Verwendung einer Simulation eines hochauflösenden Radars gemäß einer oder mehreren Ausführungsformen; und -
3 Prozesse, die durch das neuronale Netz eines Radarsystems implementiert werden, gemäß einer oder mehreren Ausführungsformen.
-
1 a block diagram of a vehicle that trains a neural network of a radar system that is trained using a simulation of a high-resolution radar, according to one one or more embodiments implemented; -
2 a process flow of a method for training a neural network of a radar system using a simulation of a high-resolution radar according to one or more embodiments; and -
3 Processes implemented by the neural network of a radar system, according to one or more embodiments.
AUSFÜHRLICHE BESCHREIBUNGDETAILED DESCRIPTION
Die folgende Beschreibung ist dem Wesen nach lediglich beispielhaft und soll die vorliegende Offenbarung, ihre Anwendung oder Verwendungen nicht einschränken. Selbstverständlich bezeichnen einander entsprechende Bezugszeichen überall in den Zeichnungen gleiche oder einander entsprechende Teile und Merkmale.The following description is merely exemplary in nature and is not intended to limit the present disclosure, its application or uses. Of course, corresponding reference numerals designate the same or corresponding parts and features throughout the drawings.
Ausführungsformen der hier genau beschriebenen Systeme und Verfahren betreffen eine Simulation eines hochauflösenden Radars zum Trainieren eines neuronalen Netzes eines Fahrzeugradarsystems. Wie zuvor erwähnt wurde, kann ein Radarsystem eine Entfernung und einen Winkel zu einem oder mehreren Objekten um ein Fahrzeug sowie eine Dopplerfrequenz, die die Relativgeschwindigkeit der Objekte relativ zu dem Fahrzeug angibt, bereitstellen. Allgemein sendet ein Radarsystem Energie, von der etwas durch eines oder mehrere Objekte in seinem Blickfeld reflektiert wird. Die reflektierte Energie wird verarbeitet und die Objektdetektion wird ausgeführt, um die Entfernung, den Winkel und die Dopplerfrequenz zu erhalten.Embodiments of the systems and methods described in detail here relate to a simulation of a high-resolution radar for training a neural network of a vehicle radar system. As previously mentioned, a radar system can provide a range and angle to one or more objects around a vehicle, as well as a Doppler frequency that indicates the relative speed of the objects relative to the vehicle. In general, a radar system emits energy, some of which is reflected by one or more objects in its field of view. The reflected energy is processed and object detection is performed to obtain the distance, angle and Doppler frequency.
Die Verwendung eines neuronalen Netzes an verarbeiteten Reflexionen kann die Objektdetektion verbessern und die Genauigkeit, mit der die Entfernung, der Winkel und die Dopplerfrequenz geschätzt werden, erhöhen. Außerdem kann die Entscheidung zwischen Objekten verbessert werden. Das Trainieren eines neuronalen Netzes umfasst allgemein das iterative Vergleichen eines Referenzergebnisses mit dem Ergebnis des neuronalen Netzes, um Parameter (z. B. Gewichte) innerhalb des neuronalen Netzes einzustellen. Eine frühere Vorgehensweise zum Trainieren eines neuronalen Netzes eines Radarsystems umfasst die Verwendung verarbeiteter Daten von anderen Sensoren (z. B. Lidarsystem, Kamera) als das Referenzergebnis. Allerdings sind die mit anderen Typen von Sensoren erhaltenen Daten nicht dieselben wie die durch ein Radarsystem erhaltene Reflexionsintensität. Außerdem ist die Auflösung anderer Typen von Sensoren allgemein viel höher als die Auflösung eines Radarsystems, was zu einem großen Unterschied zwischen dem Referenzergebnis von diesen Sensoren und der Ausgabe des neuronalen Netzes auf der Grundlage von Radardaten führt. Diese Faktoren stellen Herausforderungen dar, um ein neuronales Netz eines Radarsystems mit Referenzergebnissen von anderen Typen von Sensoren richtig zu trainieren.Using a neural network on processed reflections can improve object detection and increase the accuracy with which the distance, angle and Doppler frequency are estimated. In addition, the decision between objects can be improved. Training a neural network generally involves iteratively comparing a reference result with the result of the neural network to adjust parameters (e.g., weights) within the neural network. A previous approach to training a neural network of a radar system involves using processed data from other sensors (e.g. lidar system, camera) as the reference result. However, the data obtained with other types of sensors are not the same as the reflection intensity obtained by a radar system. In addition, the resolution of other types of sensors is generally much higher than the resolution of a radar system, which leads to a large difference between the reference result from these sensors and the output of the neural network based on radar data. These factors present challenges to properly training a radar system's neural network with reference results from other types of sensors.
Gemäß einer oder mehreren Ausführungsformen wird ein hochauflösendes Radarsystem mit höher auflösenden Hardwareparametern, als sie für Kraftfahrzeugradarsysteme anwendbar sein können, simuliert, um die Referenzergebnisse zu erhalten, die zum Trainieren des neuronalen Netzes eines Radarsystems verwendet werden. Das heißt, das höher auflösende Radarsystem wird nicht physisch hergestellt, sondern die höher auflösenden Hardwareparameter (z. B. die Anzahl und Anordnung der Antennen, die Bandbreite, die Trägerfrequenz, das Impulswiederholungsintervall) werden verwendet, um synthetische Referenzergebnisse zu erzeugen. Das Training eines neuronalen Netzes eines Radarsystems unter Verwendung von Referenzergebnissen von einem simulierten höher auflösenden Radarsystem führt gegenüber herkömmlichem Training zu verbesserter Leistungsfähigkeit. Da die Referenzergebnisse simuliert werden, kann die Auflösung der Referenzergebnisse (d. h. die Auflösung des simulierten hochauflösenden Radarsystems) über die Trainingszeitdauer allmählich erhöht werden, um die Trainingsergebnisse zu verbessern. Das ununterbrochene Lernen oder Online-Lernen, als kontinuierliches Training des neuronalen Netzes eines Radarsystems bezeichnet, kann, selbst nachdem es in einem Fahrzeug bereitgestellt und in Betrieb ist, Veränderungen oder eine Verschlechterung des Radarsystems im Zeitverlauf mildern.According to one or more embodiments, a high-resolution radar system is simulated with higher-resolution hardware parameters than may be applicable to automotive radar systems to obtain the reference results used to train the neural network of a radar system. That is, the higher-resolution radar system is not physically manufactured, but the higher-resolution hardware parameters (e.g., the number and arrangement of antennas, the bandwidth, the carrier frequency, the pulse repetition interval) are used to generate synthetic reference results. Training a radar system's neural network using reference results from a simulated higher resolution radar system results in improved performance over traditional training. Since the reference results are simulated, the resolution of the reference results (i.e., the resolution of the simulated high-resolution radar system) can be gradually increased over the training period to improve the training results. Continuous learning or online learning, referred to as continuous training of a radar system's neural network, even after it is deployed and operational in a vehicle, can mitigate changes or degradation of the radar system over time.
Es ist gezeigt, dass das beispielhafte Fahrzeug 100 ein Radarsystem 110 mit einem oder mehreren Sendern 115 und mit einem oder mehreren Empfängern 125 enthält. Der Sender 115 sendet Sendesignale 116 aus und der Empfänger 125 empfängt Reflexionen als ein Empfangssignal 126, das sich aus der Reflexion von etwas der Hochfrequenzenergie von den Sendesignalen 116 durch ein oder mehrere Objekte 160 ergibt. Beispielhafte in
Das Fahrzeug 100 kann zusätzliche Sensoren wie etwa eine Kamera 140 und ein Lidarsystem 150 enthalten. Die Anzahlen und die Orte des Radarsystems 110, der Kamera 140 und des Lidarsystems 150 sollen die Anzahlen und Orte der Sensoren in alternativen Ausführungsformen nicht begrenzen. Außerdem enthält das Fahrzeug 100 einen Fahrzeugcontroller 130, der auf der Grundlage von Informationen von den Sensoren wie etwa von dem Radarsystem 110 eine oder mehrere Operationen des Fahrzeugs 100 steuern kann. Der Controller 120 des Radarsystems 110 kann mit dem Fahrzeugcontroller 130 kommunizieren und kann außerdem direkt oder über den Fahrzeugcontroller 130 mit einem externen Controller 170 kommunizieren.The vehicle 100 may include additional sensors such as a camera 140 and a
Der Controller 120 des Radarsystems 110, der Fahrzeugcontroller 130 und der externe Controller 170 können eine Verarbeitungsschaltungsanordnung enthalten, die eine anwendungsspezifische integrierte Schaltung (ASIC), eine elektronische Schaltung, einen Prozessor (gemeinsam genutzt, dediziert oder Gruppe) und Speicher, die ein oder mehrere Software- oder Firmwareprogramme ausführen, eine Kombinationslogikschaltung und/oder andere geeignete Komponenten, die die beschriebene Funktionalität bereitstellen, enthalten kann. Der Speicher der Verarbeitungsschaltungsanordnung kann ein nichttransitorisches computerlesbares Medium enthalten, das Anweisungen speichert, die, wenn sie durch einen oder mehrere Prozessoren der Verarbeitungsschaltungsanordnung verarbeitet werden, die hier diskutierten Prozesse implementieren. Zum Beispiel kann der externe Controller 170 ein Offline-Training des neuronalen Netzes eines Radarsystems implementieren und die Parameter des neuronalen Netzes eines Radarsystems zur Verwendung an den Controller 120 des Radarsystems 110 übermitteln. Der Controller 120 des Radarsystems 110 kann ein Online-Training implementieren.The controller 120 of the
Im Block 205 kann das Erzeugen von Reflexionen gemäß alternativen Vorgehensweisen von einer realen oder simulierten Szene kommen. Gemäß einer beispielhaften Ausführungsform kann das Lidarsystem 150 Reflexionspunkte von einer Szene der realen Welt erhalten. Gemäß einer alternativen Ausführungsform kann eine Szene simuliert werden und können Reflexionspunkte von der simulierten Szene erhalten werden. In beiden Fällen ahmen die resultierenden Reflexionspunkte die Energie, die sich von der Reflexion der Sendesignale 116 durch ein oder mehrere Objekte 160 ergeben würde, nach.In
Im Block 210 beruht das Erhalten eines Empfangssignals Ŝ bei dem Radarsystem 110 auf Radarparametern 215 des Radarsystems 110. Das Ergebnis simuliert die Ausgabe des Empfängers 125 des Radarsystems 110 unter Betriebsbedingungen der realen Welt. Im Block 220 beruht das Erhalten eines Empfangssignals S bei der Simulation eines hochauflösenden Radars auf Parametern 225 eines hochauflösenden Radars. Wie zuvor erwähnt wurde, kann die Auflösung der Simulation eines hochauflösenden Radars im Verlauf des Trainings erhöht werden. Das heißt, die Parameter 225 eines hochauflösenden Radars können im Verlauf des Trainings geändert (z. B. verbessert) werden.In
Werte der Parameter 225 eines hochauflösenden Radars des Radarsystems 110, die während des Trainingsprozesses simuliert werden, können jene des physischen Radarsystems 110 sein. Beispielhafte Radarparameter enthalten die Anzahl der Antennen und ihre Positionen. Diesbezüglich können die Parameter 225 eines hochauflösenden Radars durch Simulieren einer größeren Anzahl von Antennen, die eine weitere Apertur überspannen, eine höhere Winkelauflösung ermöglichen. Ein weiterer beispielhafter Radarparameter enthält die Bandbreite. Die Bandbreite bezieht sich auf den Bereich von Frequenzen, die in den Sendesignalen 116 gesendet werden. Zum Beispiel kann jedes der Sendesignale 116 eine linear frequenzmodulierte ungedämpfte Welle (d. h. ein Chirp) mit einer Frequenz, die von 77 bis 78 Gigahertz (GHz) linear zunimmt, sein. In diesem Fall wäre die Bandbreite 1 GHz. Die Parameter 225 eines hochauflösenden Radars können eine höhere Bandbreite und sogar eine Bandbreite, die physikalisch nicht möglich ist, enthalten. Somit können die Parameter 225 eines hochauflösenden Radars eine höhere Entfernungsauflösung ermöglichen. Abermals andere beispielhafte Radarparameter enthalten das Impulswiederholungsintervall (PRI), das definiert, wie nahe ein Chirp unter den Sendesignalen 116 zu dem nächsten Chirp ist. Die Parameter 225 eines hochauflösenden Radars können ein kleineres PRI (oder eine höhere Trägerfrequenz oder eine höhere Anzahl von Chirps) enthalten und können eine höhere Dopplerauflösung ermöglichen.Values of the high
Im Block 230 umfasst das Ausführen einer Verarbeitung an dem Empfangssignal S (d. h. an der im Block 210 erhaltenen simulierten Ausgabe des Empfängers 125 des Radarsystems 110) dieselben Prozesse, die unter Verwendung der Parameter 225 eines hochauflösenden Radars an dem (im Block 220) erhaltenen Empfangssignal S (im Block 220) ausgeführt werden. Allerdings unterscheidet sich das Ergebnis der Verarbeitung in den Blöcken 230 und 240 auf der Grundlage der Differenz zwischen den Radarparametern 215 des Radarsystems 110 und den Parameter 225 eines hochauflösenden Radars der Simulation eines hochauflösenden Radars und der resultierenden Differenz zwischen den Empfangssignalen S und S, die Eingaben in die Blöcke 230 bzw. 240 sind.In
Die in den Blöcken 230 und 240 ausgeführte Signalverarbeitung ist bekannt und wird hier kurz beschrieben. Für jedes Sendesignal 116 wird über einen Satz von Entfernungsintervallen, hier als Entfernungsintervallbereiche R bezeichnet, eine schnelle Fouriertransformation (FFT) ausgeführt. Die Entfernungsintervallbereiche R können sich z. B. in regelmäßigen Intervallen über die Detektionsentfernung des Radarsystems 110 erstrecken. Dies führt zu einer Entfernungskarte, die für jeden Entfernungsintervallbereich R und für jedes Sendesignal 116 das Energieniveau angibt. Die Anzahl der Entfernungsintervallbereiche R kann im Block 240 (für das simulierte hochauflösende Radar) im Vergleich zu der Verarbeitung im Block 230 höher sein, so dass die Entfernungsauflösung auf der Grundlage des simulierten hochauflösenden Radars höher ist.The signal processing performed in
Daraufhin wird über Dopplerfrequenzen eine zweite FFT, hier als Dopplerhypothese D bezeichnet, die potentielle Relativgeschwindigkeiten eines oder mehrerer Objekte 160 betrifft, die Anlass zu den Empfangssignalen 126 gaben, ausgeführt. In Übereinstimmung mit der Verarbeitung im Block 240 kann das simulierte hochauflösende Radarsystem im Vergleich mit der Verarbeitung im Block 230 eine höhere Anzahl von Dopplerhypothesen D (d. h. eine höhere Dopplerauflösung) aufweisen. Das Entfernungskartenergebnis über den Satz von Sendesignalen 116 wird für jeden Entfernungsintervallbereich R kombiniert. Diese zweite FFT führt zu einer Entfernungsdopplerkarte, die das Energieniveau über die Entfernungsintervallbereiche R und die Dopplerhypothesen D angibt.A second FFT, here referred to as Doppler hypothesis D, which concerns potential relative velocities of one or
In einem als Strahlformung bezeichneten Prozess wird daraufhin ein Satz von Azimut-Hypothesen az betrachtet. Jede Azimut-Hypothese az ist ein Azimutwinkel relativ zu dem Radarsystem 110, von dem ein oder mehrere Reflexionspunkte ausgegangen sein können. Die Anzahl der Azimut-Hypothese az kann im Block 240 im Vergleich mit dem Block 230 höher sein, so dass die Winkelauflösung für das simulierte hochauflösende Radarsystem höher ist. Dies führt zu einem Datenwürfel C (von Block 230) und zu einem Datenwürfel C (von Block 240), die für jeden eines Satzes von Entfernungsintervallbereichen R, Dopplerhypothesen D und Azimut-Hypothesen az wie angegeben ein Energieniveau angeben. Es ist klar, dass sich die Größe des Datenwürfels C (von Block 230) und die Größe des Datenwürfels C (von Block 240) auf der Grundlage einer unterschiedlichen Anzahl von Entfernungsintervallbereichen R, Dopplerhypothesen D und Azimut-Hypothesen az unterscheiden können. Allgemein bezieht sich die Objektdetektion in einem Radarsystem 110 auf der Grundlage des Ergebnisses der Signalverarbeitung z. B. auf das Identifizieren des Entfernungsintervallbereichs R, der Doppelhypothese D und der Azimut-Hypothese az, die Energieniveaus, die einen Schwellenwert übersteigen, zugeordnet sind.In a process called beamforming, a set of azimuth hypotheses az is then considered. Each azimuth hypothesis az is an azimuth angle relative to the
Gemäß einer oder mehreren Ausführungsformen wird der Datenwürfel Ĉ (von Block 230) im Block 250 vor der Detektion unter Verwendung des neuronalen Netzes eines Radarsystems verbessert. Das Ergebnis ist die verbesserte Datenkarte M̂'. Der Betrieb des neuronalen Netzes eines Radarsystems (im Block 250) wird anhand von
Im Block 260 kann der Verlust auf der Grundlage einer Bestimmung, dass eine Wahrscheinlichkeit, dass das Intensitätsniveau eine Detektion gibt, und eine Wahrscheinlichkeit, dass das Intensitätsniveaus keine Detektion gibt, für jeden Entfernungsintervallbereich R und für jede Azimut-Hypothese az der verbesserten Datenkarte M̂' und des Datenwürfels C bestimmt werden. Um die Verarbeitung effizienter zu machen, kann für jedes Paar eines Intervallbereichs R und einer Azimut-Hypothese az des Datenwürfels C nur die Dopplerhypothese D, der die höchste Intensität zugeordnet ist, verwendet werden. Daraufhin gibt für jedes Paar eines Entfernungsintervallbereiche R und einer Azimut-Hypothese az p0 die Wahrscheinlichkeit an, dass das Intensitätsniveau eine Detektion eines Objekts 160 angibt, und p1 die Wahrscheinlichkeit an, dass das Intensitätsniveau keine Detektion eines Objekts 160 angibt.In
Wie anhand von
Wie in
Im Block 320 enthalten die Prozesse das Implementieren eines zweidimensionalen neuronalen Faltungsnetzes (CNN). Gemäß einer alternativen Ausführungsform für die Verarbeitung der Architektur des neuronalen Netzes eines Radarsystems kann eine Selbstaufmerksamkeitsarchitektur verwendet werden, die die Berechnung einer Schüsselabfrage und von Wertmerkmalen aus dem Eingangsdatenwürfel C (von Block 230) umfasst. Die Kombination der Wertmerkmale kann auf der Grundlage der Korrelation zwischen dem Schlüssel und den Abfragemerkmalen gewichtet werden. Im Block 330 enthält das Erhöhen der Azimutauflösung z. B. das Implementieren einer transponierten Faltungsoperation. Im Block 340 führen die Detektion und die Dopplerregression zu der verbesserten Datenkarte M̂'. Die Detektion bezieht sich auf die Wahrscheinlichkeit p0, dass das Reflexionsintensitätsniveau einen Detektionsschwellenwert übersteigt und eine Detektion eines Objekts 160 angibt. Diese Detektion ist pro Kombination des Entfernungsintervallbereichs R und der Azimut-Hypothese az. Die Dopplerregression bezieht sich auf die geschätzte Dopplerfrequenz bei jeder Kombination eines Entfernungsintervallbereichs R und einer Azimut-Hypothese az, die einer Detektion zugeordnet sind. Die geschätzte Dopplerfrequenz kann die maximale Dopplerfrequenz in jeder Kombination eines Entfernungsintervallbereichs R und einer Azimut-Hypothese az, die einer Detektion zugeordnet sind, sein. Die geschätzte Dopplerfrequenz kann stattdessen mit einem anderen trainierten neuronalen Netz erhalten werden. At
Wie in
Obwohl die obige Offenbarung anhand beispielhafter Ausführungsformen beschrieben worden ist, versteht der Fachmann auf dem Gebiet, dass verschiedene Änderungen vorgenommen werden und für Elemente davon Äquivalente ersetzt werden können, ohne von ihrem Schutzumfang abzuweichen. Außerdem können viele Abwandlungen vorgenommen werden, um eine bestimmte Situation oder ein bestimmtes Material an die Lehren der Offenbarung anzupassen, ohne von ihrem wesentlichem Schutzumfang abzuweichen. Somit soll die vorliegende Offenbarung nicht auf die bestimmten offenbarten Ausführungsformen beschränkt sein, sondern alle Ausführungsformen, die in ihrem Schutzumfang liegen, enthalten.Although the above disclosure has been described using exemplary embodiments, those skilled in the art will understand that various changes may be made and equivalents may be substituted for elements thereof without departing from its scope. Additionally, many modifications may be made to adapt a particular situation or material to the teachings of the disclosure without departing from its essential scope. Thus, the present disclosure is not intended to be limited to the particular embodiments disclosed, but is intended to include all embodiments that are within its scope.
Die Begriffe „ein“ und „eine“ bezeichnen keine Beschränkung der Menge, sondern bezeichnen vielmehr die Anwesenheit wenigstens eines der erwähnten Objekte. Wenn nicht durch den Kontext zweifelsfrei etwas anderes angegeben ist, bedeutet der Begriff „oder“ „und/oder“. Die Bezugnahme auf „einen Aspekt“ bedeutet überall in der Patentschrift, dass ein bestimmtes in Verbindung mit dem Aspekt beschriebenes Element (zum Beispiel Merkmal, Struktur, Schritt oder Eigenschaft) in wenigstens einem hier beschriebenen Aspekt enthalten ist und in anderen Aspekten enthalten oder nicht enthalten sein kann. Außerdem ist zu verstehen, dass die beschriebenen Elemente gemäß verschiedenen Aspekten auf irgendeine geeignete Weise kombiniert werden können. Wenn nicht etwas anderes definiert ist, weisen hier verwendete technische und wissenschaftliche Begriffe dieselbe Bedeutung auf, wie sie der Fachmann auf dem Gebiet, zu dem diese Offenbarung gehört, üblicherweise versteht.The terms “a” and “an” do not denote a limitation of quantity, but rather denote the presence of at least one of the objects mentioned. Unless the context clearly indicates otherwise, the term “or” means “and/or”. Reference throughout the specification to “an aspect” means that a particular element (e.g., feature, structure, step, or property) described in connection with the aspect is included in at least one aspect described herein and is included or not included in other aspects can be. Furthermore, it is to be understood that the elements described may be combined in any suitable manner according to various aspects. Unless otherwise defined, technical and scientific terms used herein have the same meanings normally understood by those skilled in the art to which this disclosure pertains.
Claims (10)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/947,298 US20240094377A1 (en) | 2022-09-19 | 2022-09-19 | High resolution radar simulation to train vehicle radar system neural network |
US17/947,298 | 2022-09-19 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102023110315A1 true DE102023110315A1 (en) | 2024-03-21 |
Family
ID=90062568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102023110315.6A Pending DE102023110315A1 (en) | 2022-09-19 | 2023-04-24 | SIMULATION OF A HIGH-RESOLUTION RADAR FOR TRAINING A NEURONAL NETWORK OF A VEHICLE RADAR SYSTEM |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240094377A1 (en) |
CN (1) | CN117724065A (en) |
DE (1) | DE102023110315A1 (en) |
-
2022
- 2022-09-19 US US17/947,298 patent/US20240094377A1/en active Pending
-
2023
- 2023-04-24 DE DE102023110315.6A patent/DE102023110315A1/en active Pending
- 2023-05-08 CN CN202310511335.9A patent/CN117724065A/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240094377A1 (en) | 2024-03-21 |
CN117724065A (en) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018119858B4 (en) | Doppler measurements to resolve the angle of incidence ambiguity of wide aperture radar | |
DE102019111248A1 (en) | VEHICLE RADAR SYSTEM AND METHOD FOR CALIBRATING THE SAME | |
DE102020100286A1 (en) | DEEP LEARNING FOR SUPER RESOLUTION IN A RADAR SYSTEM | |
EP3540457A1 (en) | Identification of objects by means of radar data | |
DE102019103684A1 (en) | VEHICLE RADAR SYSTEM TREATING THE DOPPLER FREQUENCY SHIFT AND METHOD OF USE THEREOF | |
DE102019114606A1 (en) | METHOD FOR CALIBRATING A RADAR SYSTEM | |
DE102020107344A1 (en) | AZIMUTH AND ELEVATION RADAR IMAGING WITH ONE DIMENSIONAL ANTENNA ARRANGEMENTS OF THE RADAR SYSTEM | |
DE102020100287A1 (en) | DEEP LEARNING FOR DE-ALIASING AND CONFIGURING A RADAR SYSTEM | |
DE102019112469A1 (en) | RESOLUTION OF DOPPLER AMBIGUITIES IN A MULTI-INPUT-MULTI-OUTPUT RADAR USING DIGITAL MULTIPLE-PULSE SEQUENCE FREQUENCIES | |
DE102019111577A1 (en) | FILTERING TO TREAT THE RANGE-WALK EFFECT IN RANGE-DOPPLER PICTURES | |
DE102019115661A1 (en) | SLIDING WINDOW INTEGRATION SCHEME FOR OBJECT DETECTION IN A RADAR SYSTEM | |
DE102017128194A1 (en) | Accurate self-locating using a synthetic aperture automotive radar | |
WO2021104816A1 (en) | Method for identifying interference in a radar system | |
DE102017131114A1 (en) | Method and device for determining at least one parameter of an object | |
DE102020105642A1 (en) | DESIGN AND PROCESSING WITH ANTENNA ARRAYS TO ELIMINATE MALDETECTIONS IN A RADAR SYSTEM | |
DE102019114723A1 (en) | REDUCTION OF VIBRATIONS IN A RADAR SYSTEM ON A MOVING PLATFORM | |
DE102019200612A1 (en) | Device and method for calibrating a multiple-input-multiple-output radar sensor | |
DE102018000880B3 (en) | Radar-based longitudinal and transverse control | |
DE102019112503A1 (en) | JOINT OPTIMIZATION OF THE ANTENNA DISTANCE AND TARGET ANGLE ESTIMATION IN A RADAR SYSTEM | |
DE102018127782A1 (en) | System and method for pseudo-random chirp planning to avoid interference | |
DE102018106478A1 (en) | TARGET TRACKING USING REGIONAL COVENANT | |
DE19734180A1 (en) | Pulsing receiver e.g. for ultrasonic diagnostic apparatus | |
DE102023110315A1 (en) | SIMULATION OF A HIGH-RESOLUTION RADAR FOR TRAINING A NEURONAL NETWORK OF A VEHICLE RADAR SYSTEM | |
DE102021114767A1 (en) | Variable code sequences for radar transmission | |
WO2011036013A1 (en) | Method and device for determining the position of a watercraft |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed |